CN114707205B - 一种基于gru神经网络的轨道基础差异沉降识别方法 - Google Patents

一种基于gru神经网络的轨道基础差异沉降识别方法 Download PDF

Info

Publication number
CN114707205B
CN114707205B CN202210226020.5A CN202210226020A CN114707205B CN 114707205 B CN114707205 B CN 114707205B CN 202210226020 A CN202210226020 A CN 202210226020A CN 114707205 B CN114707205 B CN 114707205B
Authority
CN
China
Prior art keywords
train
differential settlement
neural network
gru neural
rail
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210226020.5A
Other languages
English (en)
Other versions
CN114707205A (zh
Inventor
蒋吉清
丁亮
孙苗苗
董北北
吴熙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University City College ZUCC
Original Assignee
Zhejiang University City College ZUCC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University City College ZUCC filed Critical Zhejiang University City College ZUCC
Priority to CN202210226020.5A priority Critical patent/CN114707205B/zh
Publication of CN114707205A publication Critical patent/CN114707205A/zh
Application granted granted Critical
Publication of CN114707205B publication Critical patent/CN114707205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明涉及一种基于GRU神经网络的轨道基础差异沉降识别方法，包括：敏感因素计算和基础差异沉降智能识别。本发明的有益效果是：本发明通过数值模拟，建立列车‑轨道‑整体道床二维模型，引入基础不均匀沉降工况，计算得出各车轨动力响应，分析各动力响应与基础不均匀沉降的相关性关系。最终得出车体竖向加速度对于基础差异沉降的反应明显，且规律性强，可作为敏感因素识别基础差异沉降。车体竖向加速度的数据采集较其他车轨动力响应相对简单，易实现，并且采集的车体竖向加速度时程曲线是连续的。这对于解决目前铁路及城市轨道交通的基础差异沉降监测和控制具有极强的指导意义。

Description

一种基于GRU神经网络的轨道基础差异沉降识别方法
技术领域
本发明涉及轨道工程及地下工程领域，更确切地说，它涉及一种基于GRU神经网络的轨道基础差异沉降识别方法。
背景技术
近年来，随着我国经济的发展以及城市人口的急剧增长，人们的生活节奏日益加快，对日常出行的交通要求越来越高，显然，传统的公路交通已经不能满足人们日益增长的需求。国家为了解决这个问题，大力发展铁路及城市轨道交通事业，运营线路及里程不断实现历史性突破。在铁路及城市轨道交通事业快速发展的同时，轨道及地铁隧道损伤问题也日益凸显，影响人们的正常出行甚至造成重大经济财产损失。轨道基础不均匀沉降严重不利于轨道结构的正常使用，造成运行列车的颠簸，甚至脱轨，对行车安全性及舒适性带来不利影响。
对于轨道基础不均匀沉降的监测，上世纪九十年代以前，变形监测使用的方法是经典的地面测量方法，使用的仪器是水准仪、经纬仪等传统测量仪器，但缺点明显：传统的人工监测只有当铁路无列车运行和地铁停运时才能进行作业，且需耗费较多的人力；上世纪90年代至21世纪初，随着通信技术、电子技术的发展，我国先后研制出一批适用于铁路路基沉降监测的仪器，如观测桩、沉降板、沉降仪等，但也存在容易遭到破坏，精度易受外界干扰等缺点；随着计算机技术的快速发展，实现了从人工测量到自动化监测的跨越，数字摄影测量技术、光纤传感器监测技术、三维激光扫描技术等，较之前的监测方法优势明显，但自动监测技术成本相对较高，所反馈的数据仍需专业人员进行解译，人力成本较高。
综上所述，轨道基础不均匀沉降的监测对于铁路及城市轨道交通事业十分重要，但目前的监测技术还有待提高。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于GRU神经网络的轨道基础差异沉降识别方法。
这种基于GRU神经网络的轨道基础差异沉降识别方法，包括以下步骤：
步骤1、敏感因素计算，所述敏感因素为车体竖向加速度
步骤1.1、建立列车-钢轨-整体道床二维模型，所述二维模型包括列车、钢轨和整体道床-衬砌整体；
步骤1.2、对于钢轨和整体道床-衬砌整体，将其位移变形用模态叠加法进行正交分解；
步骤1.3、用边界条件求出自振频率和振动模态，求出钢轨和整体道床-衬砌整体的振动微分方程；
步骤1.4、引入轨道基础差异沉降工况，联立列车的动力平衡方程，得到车体动力响应，所述车体动力响应包括车体竖向加速度
步骤2、基础差异沉降智能识别；
步骤2.1、利用步骤1.1中所述列车-钢轨-整体道床二维耦合模型，引入不同沉降波长、波幅及列车行驶速度的基础差异沉降工况，计算得出车体竖向加速度建立“车体竖向加速度/>-沉降值”样本数据库，样本数据库分为训练集、验证集和测试集；
步骤2.2、对步骤2.1中的“车体竖向加速度-沉降值”样本数据库进行标准化预处理；
步骤2.3、搭建GRU神经网络模型，将步骤2.1中的样本数据库中的车体竖向加速度和列车行驶速度作为输入、基础沉降曲线作为输出，利用GRU神经网络模型进行训练，定义损失函数，调整参数直至得到理想的基础沉降识别效果；
步骤2.4、样本数据库的测试集验证GRU神经网络模型的识别效果，所述识别效果的评价指标为MSE、RMSE、MAE以及R2。
作为优选，步骤1.1中的所述列车-钢轨-整体道床二维模型中，列车的振动方程为：
其中，M、C、K分别为列车的质量阵、阻尼阵、刚度阵；v、分别表示列车的位移、速度、加速度；F为列车的外力矩阵；
钢轨部分将两根并行钢轨看作整体，方程为：
其中，Er为钢轨弹性模量；Ir为钢轨截面惯性矩；ρr为钢轨密度，Ar为钢轨横截面面积；vr(x,t) 表示钢轨在t时刻x位置的竖向位移；xw,i(t)、xrs,j分别表示t时刻第i轮对的位置和第j个扣件的位置；P(xw,i(t))、Prs,j(t)分别表示钢轨所受的轮轨接触力和扣件支撑力；δ为狄拉克函数，取值在0或1；
整体道床-衬砌整体用一根两端简支的Timoshenko梁模拟，动力方程为：
其中，κh为剪切系数；Ah为整体道床-衬砌等效横截面面积；Gh为整体道床-衬砌剪切刚度；Eh为整体道床-衬砌弹性模量；Ih为整体道床-衬砌截面惯性矩；ρh为整体道床-衬砌的质量密度；分别表示整体道床-衬砌整体在t时刻x位置的竖向位移和转角位移； Fh(x，t)、mh(x，t)分别为整体道床-衬砌整体在t时刻x位置所受的竖向荷载和弯矩。
作为优选，步骤2.2中的标准化预处理公式为：
其中，x标为样本序列中数据x标准化处理的样本数据；mean为样本序列中数据的平均值；std 为样本序列中数据的标准差。
作为优选，步骤2.3中的GRU神经网络模型分为输入层、隐藏层和输出层；其中，隐藏层为GRU神经网络层，GRU神经单元包含更新门和重置门，计算式为：
zt＝σ(Wzxt+Uzht-1)
rt＝σ(Wrxt+Urht-1)
其中，zt为更新门的输出；xt为t时刻的输入特征；rt为重置门的输出；ht、ht-1为t时刻、 t-1时刻的隐藏状态；为t时刻的激活状态；Wz、Uz、Wr、Ur、WA、Uλ为相应门的权重。
作为优选，步骤2.3中的GRU神经网络模型中损失函数为MSE。
作为优选，所述评价指标的计算式包括：
其中，m为样本数量；h(xi)、yi分别为预测值和真实值；为样本平均值。
作为优选，步骤2.1中所述样本数据库为单一速度组样本库。
作为优选，所述单一速度组样本库中的列车速度为20m/s。
作为优选，步骤2.1中所述样本数据库为混合速度组样本库。
作为优选，所述混合速度组样本库中的列车速度为20m/s、25m/s、32m/s。
本发明的有益效果是：本发明通过数值模拟，建立列车-轨道-整体道床二维模型，引入基础不均匀沉降工况，计算得出各车轨动力响应，分析各动力响应与基础不均匀沉降的相关性关系。最终得出车体竖向加速度对于基础差异沉降的反应明显，且规律性强，可作为敏感因素识别基础差异沉降。
进一步地，搭建GRU神经网络模型，利用该模型训练“车体竖向加速度-沉降值”样本库，并用测试集进行验证，证明了该方法的理论可行性。结合现实，车体竖向加速度/>的数据采集较其他车轨动力响应相对简单，易实现，并且采集的车体竖向加速度/>时程曲线是连续的，因此识别出的轨道基础差异沉降是连续且完整的。这对于解决目前铁路及城市轨道交通的基础差异沉降监测和控制具有极强的指导意义。
附图说明
图1为本发明提供的一种基于GRU神经网络的轨道基础差异沉降识别方法的技术路线图；
图2为本发明提供的列车-钢轨-整体道床二维模型图；
图3为本发明提供的不同沉降波长时车体竖向加速度曲线；
图4为本发明提供的不同沉降波幅时车体竖向加速度曲线；
图5为本发明提供的不同列车速度时车体竖向加速度曲线；
图6为本发明提供的GRU神经元结构图；
图7为本发明提供的单一速度组60-55沉降识别结果图；
图8为本发明提供的混合速度组25m/s、20-20沉降识别结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1：
本发明的技术路线如图1所示。首先，基于列车-轨道耦合动力学理论，建立列车-钢轨- 整体道床二维模型，分析不同沉降工况及列车行驶速度时的动力响应，得到敏感性因素：车体竖向加速度
进一步地，搭建GRU神经网络模型，将列车速度和车体竖向加速度作为输入，以及将基础沉降曲线作为输出，训练该模型，得到基于GRU神经网络的轨道基础差异沉降识别系统。现实中，可以利用巡检车采集车体加速度时程数据，并输入到上述GRU神经网络模型，以得到实时的轨道差异沉降。
本发明具体包括以下步骤：
步骤1、敏感因素计算，该敏感因素为车体竖向加速度
步骤1.1、基于列车-轨道耦合动力学理论，建立列车-钢轨-整体道床二维模型，如图2 所示，二维模型包括列车、钢轨和整体道床-衬砌整体。
并做以下模拟：
(1)整体道床假设与隧道衬砌为一个整体，用一根两端简支的Timoshenko梁模拟。
(2)基础差异沉降引起钢轨完全跟随变形，发生沉降时各支承元件连接完好。
(3)为了贴近现实工况，列车质量为空车质量加随机乘客质量；列车及各轨道结构涉及的刚度、阻尼误差为±2％，误差呈标准正态分布。
列车的振动方程如下：
式中：M、C、K分别为列车的质量阵、阻尼阵、刚度阵；v、分别表示列车的位移、速度、加速度；F为列车的外力矩阵。
钢轨部分将两根并行钢轨看作整体，方程如下：
式中，Er为钢轨弹性模量；Ir为钢轨截面惯性矩；ρr为钢轨密度，Ar为钢轨横截面面积； vr(x,t)表示钢轨在t时刻x位置的竖向位移；xw,i(t)、xrs,j分别表示t时刻第i轮对的位置和第j个扣件的位置；P(xw,i(t))、Prs,j(t)分别表示钢轨所受的轮轨接触力和扣件支撑力；δ为狄拉克函数，取值在0或1。
整体道床-衬砌整体用一根两端简支的Timoshenko梁模拟，动力方程如下：
其中，κh为剪切系数；Ah为整体道床-衬砌等效横截面面积；Gh为整体道床-衬砌剪切刚度；Eh为整体道床-衬砌弹性模量；Ih为整体道床-衬砌截面惯性矩；ρh为整体道床-衬砌的质量密度；vh(x，t)、分别表示整体道床-衬砌整体在t时刻x位置的竖向位移和转角位移； Fh(x，t)、mh(x，t)分别为整体道床-衬砌整体在t时刻x位置所受的竖向荷载和弯矩。
步骤1.2、对于钢轨和整体道床-衬砌整体，将其位移变形用模态叠加法进行正交分解。
步骤1.3、用边界条件求出自振频率和振动模态，求出钢轨和整体道床-衬砌整体的振动微分方程。
步骤1.4、引入轨道基础差异沉降工况，联立列车的动力平衡方程，得到车体动力响应，车体动力响应包括车体竖向加速度
结合杭州地铁及地质状况，设计验证算例。其中地铁参数按地铁B型车取值，轨道基础差异沉降以余弦形沉降模拟，沉降波长及波幅取值如表1所示，列车行驶速度分别取20m/s、 25m/s、32m/s。分析不同基础差异沉降及列车行驶速度对车轨动力响应的影响，研究沉降波长对车体竖向加速度影响时，列车行驶速度、沉降波幅分别为20m/s、40mm，沉降波长分别取40m、60m、80m、100m；研究沉降波幅对车体竖向加速度/>影响时，列车行驶速度、沉降波长分别为20m/s、60m，沉降波幅分别取30mm、40mm、50mm、60mm。结果发现车体竖向加速度/>变化明显，且规律性较强，结果如图3至图5所示；表明车体竖向加速度/>即为基础差异沉降引起车体动力响应的敏感因素。
表1、本发明基础差异沉降波长λ0、波幅h0取值
步骤2、基础差异沉降智能识别。
步骤2.1、利用步骤1.1中列车-钢轨-整体道床二维耦合模型，引入不同沉降波长、波幅及列车行驶速度的基础差异沉降工况，计算得出车体竖向加速度建立“车体竖向加速度/>-沉降值”样本数据库，其中，速度为20m/s、25m/s、32m/s三种，沉降工况如表1所示，有62种，则样本库共计有186个数据样本；样本数据库分为训练集、验证集和测试集。
步骤2.2、对步骤2.1中的“车体竖向加速度-沉降值”样本数据库进行标准化预处理。
步骤2.3、搭建GRU神经网络模型，将步骤2.1中的样本数据库中的车体竖向加速度和列车行驶速度作为输入、基础沉降曲线作为输出，利用GRU神经网络模型进行训练，定义损失函数，调整参数直至得到理想的基础沉降识别效果。
步骤2.4、样本数据库的测试集验证GRU神经网络模型的识别效果，识别效果的评价指标为MSE、RMSE、MAE以及R2。
进一步地，步骤2.2中的标准化预处理公式为：
式中，x标为样本序列中数据x标准化处理的样本数据，mean为样本序列中数据的平均值； std为样本序列中数据的标准差。
步骤2.3中的GRU神经网络模型分为输入层、隐藏层和输出层；其中，隐藏层为GRU神经网络层，GRU神经单元包含更新门和重置门，神经元结构图如图6所示，其计算式如下：
zt＝σ(Wzxt+Uzht-1)
rt＝σ(Wrxt+Urht-1)
其中，zt为更新门的输出；xt为t时刻的输入特征；rt为重置门的输出；ht、ht-1为t时刻、t-1时刻的隐藏状态；为t时刻的激活状态；Wz、Uz、Wr、Ur、WA、Uλ为相应门的权重。步骤2.3中的GRU神经网络模型中损失函数为MSE，识别效果评价指标为MSE、RMSE、MAE 以及R2，各计算式如下：
式中：m为样本数量；h(xi)、yi分别为预测值和真实值；为样本平均值。
进一步地，选取步骤2.1样本库中的列车速度为20m/s、各沉降工况及对应的车体竖向加速度构成“单一速度组样本库”，共计62个样本，其中训练集及验证集60个，测试集2 个，并进行数据标准化预处理；以车体竖向加速度/>为输入，基础沉降曲线为输出导入GRU 神经网络模型进行训练，调整参数直至损失函数收敛到0.01以下。取测试集中60-55(波长 60m,波幅55mm)输出结果为例，如图7所示，用来衡量该模型效果的各评价指标如表2所示。结果表明：该模型能够很好地利用单一速度下的车体竖向加速度/>识别轨道基础差异沉降。
考虑到现实中列车并非全是以20m/s匀速行驶，作为优选的，构建“混合速度组样本库”，即由列车速度为20m/s、25m/s、32m/s，各沉降工况及对应的车体竖向加速度构成，共计 186个样本，其中训练集及验证集180个，测试集6个，并进行数据标准化预处理；以车体竖向加速度/>和列车行驶速度为输入，基础沉降曲线为输出导入GRU神经网络模型进行训练，调整参数直至损失函数收敛到0.01以下。取测试集中25m/s、20-20(波长20m,波幅20mm) 输出结果为例，如图8所示，用来衡量该模型效果的各评价指标如表2所示。结果表明：该模型利用车体竖向加速度/>识别不同列车速度下的轨道基础差异沉降效果也较好。但整体识别效果劣于单一速度组识别精度，因此若在现实中利用巡检车采集车体竖向加速度/>识别轨道基础差异沉降时，应尽量保持列车匀速行驶。
表2、本发明GRU神经网络识别效果评价指标值
该算例研究既证明了车体竖向加速度可作为识别轨道基础差异沉降的敏感因素，也证明了GRU神经网络模型利用车体竖向加速度/>识别轨道基础差异沉降的可实现性。本发明在理论上实现了轨道基础差异沉降识别，为现实中轨道基础差异沉降监测提供参考，也为日后相关的工况解决提供了一种新的思路。

Claims (10)

1.一种基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，包括以下步骤：
步骤1、敏感因素计算，所述敏感因素为车体竖向加速度
步骤1.1、建立列车-钢轨-整体道床二维模型，所述二维模型包括列车、钢轨和整体道床-衬砌整体；
步骤1.2、对于钢轨和整体道床-衬砌整体，将其位移变形用模态叠加法进行正交分解；
步骤1.3、用边界条件求出自振频率和振动模态，求出钢轨和整体道床-衬砌整体的振动微分方程；
步骤1.4、引入轨道基础差异沉降工况，联立列车的动力平衡方程，得到车体动力响应，所述车体动力响应包括车体竖向加速度
步骤2、基础差异沉降智能识别；
步骤2.1、利用步骤1.1中所述列车-钢轨-整体道床二维耦合模型，引入不同沉降波长、波幅及列车行驶速度的基础差异沉降工况，计算得出车体竖向加速度建立“车体竖向加速度/>-沉降值”样本数据库，所述样本数据库分为训练集、验证集和测试集；
步骤2.2、对步骤2.1中的“车体竖向加速度-沉降值”样本数据库进行标准化预处理；
步骤2.3、搭建GRU神经网络模型，将步骤2.1中的样本数据库中的车体竖向加速度和列车行驶速度作为输入、基础沉降曲线作为输出，利用GRU神经网络模型进行训练，定义损失函数，调整参数直至得到理想的基础沉降识别效果；
步骤2.4、样本数据库的测试集验证GRU神经网络模型的识别效果，所述识别效果的评价指标为MSE、RMSE、MAE以及R2。
2.根据权利要求1所述基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，步骤1.1中的所述列车-钢轨-整体道床二维模型中，列车的振动方程为：
其中，M、C、K分别为列车的质量阵、阻尼阵、刚度阵；v、分别表示列车的位移、速度、加速度；F为列车的外力矩阵；
钢轨部分将两根并行钢轨看作整体，方程为：
其中，Er为钢轨弹性模量；Ir为钢轨截面惯性矩；ρr为钢轨密度，Ar为钢轨横截面面积；vr(x,t)表示钢轨在t时刻x位置的竖向位移；xw,i(t)、xrs,j分别表示t时刻第i轮对的位置和第j个扣件的位置；P(xw，i(t))、Prs，j(t)分别表示钢轨所受的轮轨接触力和扣件支撑力；δ为狄拉克函数，取值在0或1；
整体道床-衬砌整体用一根两端简支的Timoshenko梁模拟，动力方程为：
其中，κh为剪切系数；Ah为整体道床-衬砌等效横截面面积；Gh为整体道床-衬砌剪切刚度；Eh为整体道床-衬砌弹性模量；Ih为整体道床-衬砌截面惯性矩；ρh为整体道床-衬砌的质量密度；vh(x，t)、分别表示整体道床-衬砌整体在t时刻x位置的竖向位移和转角位移；Fh(x，t)、mh(x，t)分别为整体道床-衬砌整体在t时刻x位置所受的竖向荷载和弯矩。
3.根据权利要求1所述基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，步骤2.2中的标准化预处理公式为：
其中，x标为样本序列中数据x标准化处理的样本数据；mean为样本序列中数据的平均值；std为样本序列中数据的标准差。
4.根据权利要求1所述基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，步骤2.3中的GRU神经网络模型分为输入层、隐藏层和输出层；其中，隐藏层为GRU神经网络层，GRU神经单元包含更新门和重置门，计算式为：
zt＝σ(Wzxt+Uzht-1)
rt＝σ(Wrxt+Urht-1)
其中，zt为更新门的输出；xt为t时刻的输入特征；rt为重置门的输出；ht、ht-1为t时刻、t-1时刻的隐藏状态；为t时刻的激活状态；Wz、Uz、Wr、Ur、WA、Uλ为相应门的权重。
5.根据权利要求1所述基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，步骤2.3中的GRU神经网络模型中损失函数为MSE。
6.根据权利要求5所述基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，所述评价指标的计算式包括：
其中，m为样本数量；h(xi)、yi分别为预测值和真实值；为样本平均值。
7.根据权利要求1所述基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，步骤2.1中所述样本数据库为单一速度组样本库。
8.根据权利要求7所述基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，所述单一速度组样本库中的列车速度为20m/s。
9.根据权利要求1所述基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，步骤2.1中所述样本数据库为混合速度组样本库。
10.根据权利要求9所述基于GRU神经网络的轨道基础差异沉降识别方法，其特征在于，所述混合速度组样本库中的列车速度为20m/s、25m/s、32m/s。
CN202210226020.5A 2022-03-08 2022-03-08 一种基于gru神经网络的轨道基础差异沉降识别方法 Active CN114707205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210226020.5A CN114707205B (zh) 2022-03-08 2022-03-08 一种基于gru神经网络的轨道基础差异沉降识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210226020.5A CN114707205B (zh) 2022-03-08 2022-03-08 一种基于gru神经网络的轨道基础差异沉降识别方法

Publications (2)

Publication Number Publication Date
CN114707205A CN114707205A (zh) 2022-07-05
CN114707205B true CN114707205B (zh) 2024-04-05

Family

ID=82168385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210226020.5A Active CN114707205B (zh) 2022-03-08 2022-03-08 一种基于gru神经网络的轨道基础差异沉降识别方法

Country Status (1)

Country Link
CN (1) CN114707205B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN110188442A (zh) * 2019-05-23 2019-08-30 南京金蓝智慧城市规划设计有限公司 高铁无砟轨道路基基础耦合动力有限元仿真分析方法
CN110239587A (zh) * 2019-06-04 2019-09-17 浙江大学城市学院 一种确定损伤扣件位置的理论检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN110188442A (zh) * 2019-05-23 2019-08-30 南京金蓝智慧城市规划设计有限公司 高铁无砟轨道路基基础耦合动力有限元仿真分析方法
CN110239587A (zh) * 2019-06-04 2019-09-17 浙江大学城市学院 一种确定损伤扣件位置的理论检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
路基不均匀沉降对地铁A型车辆动力学特性影响研究;张克平;石广田;和振兴;;振动与冲击;20200915(第17期);全文 *

Also Published As

Publication number Publication date
CN114707205A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
Karoumi et al. Monitoring traffic loads and dynamic effects using an instrumented railway bridge
He et al. Novel virtual simply supported beam method for detecting the speed and axles of moving vehicles on bridges
CN104819813B (zh) 一种桥梁影响线动态测试方法
CN109855823A (zh) 一种利用测试车进行桥梁结构损伤识别的方法
Deng et al. Identification of dynamic vehicular axle loads: Demonstration by a field study
Deng et al. Equivalent shear force method for detecting the speed and axles of moving vehicles on bridges
Lai et al. Earthquake influence on the rail irregularity on high‐speed railway bridge
Su et al. Vibration of reinforced concrete viaducts under high-speed train passage: measurement and prediction including train–viaduct interaction
Gou et al. Experimental study on dynamic effects of a long-span railway continuous beam bridge
CN105923014A (zh) 一种基于证据推理规则的轨道高低不平顺幅值估计方法
WO2012158091A1 (en) A method of establishing the deflection and/or the stiffness of a supporting structure
CN108920766A (zh) 一种基于基函数表示和稀疏正则化的桥梁影响线识别方法
Kim et al. System identification of an in-service railroad bridge using wireless smart sensors
Firus A contribution to moving force identification in bridge dynamics
Fang et al. Dynamic behavior of railway Vehicle-Ballasted track system with unsupported sleepers based on the hybrid DEM-MBD method
Zhang et al. Optimal system design for weigh-in-motion measurements using in-pavement strain sensors
CN114707205B (zh) 一种基于gru神经网络的轨道基础差异沉降识别方法
CN112326787B (zh) 一种基于专属测试车多点快速静态采集的梁式桥识别方法
Silva et al. Traffic monitoring using a structural health monitoring system
Greisen Measurement, simulation, and analysis of the mechanical response of railroad track
Deng et al. Wireless monitoring of ballastless track slab deformation for high-speed railway
Szafrański Dynamics of the small-span railway bridge under moving loads
Marques et al. Evaluation of dynamic effects and fatigue assessment of a railway bridge supported by temporary monitoring
Sekula et al. Identification of dynamic loads generated by trains in motion using piezoelectric sensors
Wang et al. Moving train loads and parameters identification on a steel truss girder model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant